版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、集成學習(Ensemble Leaming)是為某個問題訓練一組學習器,并將這些學習器聯(lián)合起來執(zhí)行一定預測任務(wù)的一種機器學習技術(shù)。由于該技術(shù)能夠顯著地提高學習系統(tǒng)的泛化能力,受到很多學者的極大關(guān)注,并且很快成為了機器學習研究中的一個熱點。集成學習技術(shù)已經(jīng)廣泛的應(yīng)用于生物認證、傳感器故障容錯、字符識別、輻射源識別、語言學、醫(yī)學、交通、管理學等各個領(lǐng)域。 集成學習旨在充分利用每個成員學習器的不同優(yōu)勢,提高整體的泛化性能?,F(xiàn)在一般認為
2、,有效地產(chǎn)生泛化能力強、差異大的多個成員學習器,是集成學習算法的關(guān)鍵。傳統(tǒng)集成學習算法不能充分利用數(shù)據(jù)集和成員學習器的特點提高成員學習器的多樣性,主要表現(xiàn)在兩個方面:在對數(shù)據(jù)集進行采樣時,沒有充分利用局部空間的不同特性;在學習器的訓練過程中,沒有很好的利用過程信息。近年來一些學者將核函數(shù)應(yīng)用到集成學習中,取得了良好的效果。本文的研究目標是將核函數(shù)充分地應(yīng)用到集成學習中,解決傳統(tǒng)集成學習算法存在的這兩個問題,在保證單個學習器高性能的前提下
3、,實現(xiàn)成員學習器的多樣性。本文開展并完成了以下方面的工作: (1)簡要介紹了集成學習的起源和基本概念;介紹了集成學習中具有代表性的算法Boosting、Bagging和Stacking的基本思想和理論證明;介紹了當前集成學習中的新思想—選擇性集成學習;介紹了核函數(shù)的歷史、基本思想和理論基礎(chǔ)。 (2)提出了一種基于核函數(shù)分割數(shù)據(jù)集的分類器組合算法(Ensemble Classifiers Al—gorithm based
4、on Kernel Dataset Partition,KFMCE)。該算法利用基于核的模糊隸屬度將原始空間依據(jù)局部特征的不同進行分解,然后分別進行有針對性的訓練,獲得局部性能最優(yōu)的成員學習器,最后進行集成來提高整體的性能?;诤说哪:`屬度是對基于距離隸屬度的擴展,它在映射后的高維空間中求解樣本的隸屬度,消除了數(shù)據(jù)集在表征數(shù)據(jù)分布上的偏差。以機器學習Weka軟件為平臺在20個不同的UCI數(shù)據(jù)集上進行實驗,結(jié)果表明,該算法與AdaBoo
5、st和Bagging算法相比,具有更高的分類準確性和更好的泛化能力。 (3)提出了一種動態(tài)協(xié)作的聚類集成算法(Clusterer Ensemble Algorithm Based onDynamic Cooperation,DCCE)。該算法同時訓練多個基本聚類器,在訓練期間,令所有聚類器通過迭代過程中產(chǎn)生的中間信息進行動態(tài)協(xié)作調(diào)整,從而提高集成聚類器的泛化性能和計算效率。協(xié)作過程中,算法使用基于核函數(shù)的共識函數(shù)對多個聚類器的中
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 核學習算法與集成方法研究.pdf
- 基于核函數(shù)的視覺跟蹤算法研究及其應(yīng)用.pdf
- 基于組合抽樣技術(shù)的集成學習算法研究與應(yīng)用.pdf
- 基于核函數(shù)的多分類器集成及應(yīng)用研究.pdf
- 基于核函數(shù)學習算法的研究及其在圖像識別中的應(yīng)用.pdf
- 基于核函數(shù)的目標跟蹤算法研究.pdf
- 基于核函數(shù)的手部特征識別算法研究.pdf
- 基于核函數(shù)的機器學習方法研究.pdf
- 基于集成學習的多標記學習算法研究.pdf
- 基于集成學習的人臉識別算法研究及應(yīng)用.pdf
- 基于核函數(shù)的模糊聚類算法研究.pdf
- 基于集成學習的多標記學習算法研究
- 基于集成學習的覆蓋算法研究.pdf
- 基于ARPSO算法優(yōu)化的集成極端學習機的研究與應(yīng)用.pdf
- 基于集成學習的半監(jiān)督學習算法研究.pdf
- 基于核函數(shù)的HRRP目標識別算法研究.pdf
- 基于流形距離和核函數(shù)的進化聚類算法研究及其應(yīng)用.pdf
- 基于核的正則化學習算法.pdf
- 集成學習算法的改進及其應(yīng)用.pdf
- 基于特征抽取的集成學習算法研究.pdf
評論
0/150
提交評論